快速入门 TFGNN

快速入门 TFGNN
TFGNN是基于 TensorFlow 的 GNN 库，它同时实现了 MessagePassing 和 GraphNets 框架，这意味着您可以轻松地在框架中设置上下文（全局）值。

开始前的一些有用链接：图神经网络简介（GNN 初学者最好的介绍博客）、TFGNN 发表的论文(CoRR 2022)。

基本数据结构：GraphTensor
构建 GNN 训练管道的第一步是构建数据集。TFGNN的基本数据结构是tfgnn。GraphTensor和node-sets/edge-sets/context，每个集合都有自己的“特征”。

详细介绍文档：https 😕/github.com/tensorflow/gnn/blob/main/tensorflow_gnn/docs/guide/graph_tensor.md

输入构建流水线
在建模之前，我们首先需要逐步构建我们的训练集。https://github.com/tensorflow/gnn/blob/main/tensorflow_gnn/docs/guide/input_pipeline.md

第一步：描述图模式：https 😕/github.com/tensorflow/gnn/blob/main/tensorflow_gnn/docs/guide/schema.md

在这一步中，我们定义节点集/边集特征和上下文特征；以下是一些注意事项：

tfgnn 文档中提到“标量特征不需要维度识别”。但是实践表明，如果要在建模中直接处理那些标量特征，可以将它们的shape设置为’{dim {size: 1}}'，并将数据类型定义为FLOAT。
TFGNN 模型可以在“有向”边的两个方向上传播消息，默认情况下，TFGNN 在消息传递阶段采用有向边。因此，无需在数据准备步骤中指定“无向”边。
有多种图任务类型：单图分类/回归（给一堆小图对它们进行分类），单节点分类/回归（从大图中采样子图）等。
Step2：数据样本准备&采样：https 😕/github.com/tensorflow/gnn/blob/main/tensorflow_gnn/docs/guide/data_prep.md

in-python编码的步骤：

使用 GraphTensor.from_pieces() 函数为 GraphTensor 类型构造一个 eager 实例。
使用 tfgnn.write_example(graph) 和 writer.write(example.SerializeToString()) 序列化内存实例并将其写入磁盘上的文件。
Step3：读取文件到Dataset：https 😕/github.com/tensorflow/gnn/blob/main/tensorflow_gnn/docs/guide/input_pipeline.md

要读取一个 GraphTensor（复合张量），我们需要根据定义的 Spec来解析serializable ：tfgnn.parse_single_example/parse_example();

建模管道（使用 Keras API）：
通常，我们构建2个Keras模型用于预处理和实际建模：1个预处理模型+1个主训练模型；请注意，这两个模型都是在标量样本模式中定义的……

流水线总结：读取数据集->解析为张量->构建预处理模型->构建训练模型->拟合训练模型->导出服务

预处理模型定义：https 😕/github.com/tensorflow/gnn/blob/main/tensorflow_gnn/docs/guide/input_pipeline.md

预处理模型的动机是将原始特征从离散特征处理为输入向量，例如将 INT 特征映射到 8 长向量；或将一些功能连接在一起。预处理函数的返回值应该是节点/边的起始隐藏状态。

脚步：

对于预处理函数，最好使用 tf.keras.layers 的内置函数。
TFGNN 将一批图样本合并到一个具有单独组件（没有连接的子图）的大图中，然后应用更新函数，将批次作为标量样本。这样做的原因是为了使基于批处理的计算变得可行，因为每个样本可能具有不同的大小，这与传统的表格数据集有很大不同（在图张量上表示’ sizes '= [ total_size，]，其中total_size = batch_size *（set_size） *频道大小）。
主要模型定义：

https://github.com/tensorflow/gnn/blob/main/tensorflow_gnn/docs/guide/gnn_modeling.md

在 TFGNN 中构建 GNN 层的方式有以下三种：

使用 GATv2、GCN 等原生支持层的 XXXGraphUpdate 函数。
2.从TensorFlow- Keras scratch 自定义tf.keras.layers.Layer 。